La IA abierta resumida por una IA abiertaEdición en línea

IA·A·Hoy

IA Abierta Hoy — pesos abiertos, software libre para IA y mucho más: resumen para quienes estamos obsesionados con estos temas.

🎧 IA·A·Hoy Hablada: un resumen pensado para oírse.

Modelos

Kolibri-1, el modelo soberano europeo de Aleph Alpha

Aleph Alpha ha publicado Kolibri-1, un modelo MoE de 78.000 millones de parámetros con unos 3.460 millones activos por token, pesos abiertos bajo Apache 2.0 y contexto de un millón de tokens. Está entrenado desde cero y orientado a entornos críticos (soberano, pensado para alemán e inglés), y se presenta en la frontera de Pareto entre coste y calidad. El requisito mínimo de hardware no es exiguo (una H200 o dos A100/H100), pero es una señal clara de lo que llegan de la corriente de modelos abiertos europeos con vocación de producción. Para quien quiere un MoE grande y abierto sin depender de un proveedor de API, es de los que hay que vigilar.

Hugging FaceAleph Alpha (Kolibri)MoEpesos abiertosApache 2.0Europa

EmbeddingGemma 2, embeddings multimodales abiertos para el dispositivo

Google DeepMind ha abierto EmbeddingGemma 2, un modelo ligero y multimodal de embeddings que mapea texto (incluido código), imágenes, vídeo y audio en el mismo espacio dimensional, de modo que las representaciones de distintas modalidades se pueden comparar directamente. Es el modelo abierto más capaz para embeddings multimodales sobre el dispositivo, pensado para correr en local y sin nube. Ya está disponible en Hugging Face y en Ollama. Para quien construye sistemas de búsqueda o RAG multimodal y no quiere mandar datos a un servicio externo, es una de las piezas abiertas más prácticas del momento.

Hugging FaceBlog de Googleembeddingsmultimodalon-deviceGoogle

LTX-2.5, generación de vídeo y audio abierta de Lightricks

Lightricks ha publicado LTX-2.5, un modelo de pesos abiertos de generación de vídeo y audio sincronizados, con continuidad de escenas multishot nativa y una técnica de renderizado que mete más cómputo en las escenas complejas. Es uno de los modelos abiertos más completos de vídeo del momento, con miles de likes en Hugging Face y workflows en ComfyUI y en fal. La corriente es clara: llevar la generación de vídeo de vuelta al hardware propio, en vez de depender de una API de pago. Para quien hace prototipos de vídeo en local o quiere una generación sin nube, es de las referencias abiertas que están moviendo el terreno.

Hugging FaceLTX (Lightricks)vídeoaudiogeneraciónopen-weight

Qwen3.8-27B, el 27B de pesos abiertos que arrasa en tendencias

Qwen3.8-27B, el modelo de 27.000 millones de parámetros de la generación Qwen3.8, sigue siendo de los más descargados y mejor puntuados de Hugging Face, con decenas de miles de likes. Está abierto bajo licencia Apache 2.0, con un contexto de unos 262.000 tokens, y es de los modelos que más se montan en entornos locales por su relación entre tamaño, calidad y coste. Ya hay cuantizaciones GGUF de la comunidad para correrlo en una sola GPU decente. Es un punto de partida muy sólido para quien quiere un LLM grande y abierto sin complicaciones de licencias ni de API.

Hugging FaceQwenpesos abiertosApache 2.0local

Agentes y software

Falcon-Emirati: un LLM que aprende el dialecto, la cultura y el matiz

El Technology Innovation Institute (TII) de Emiratos publica Falcon-Emirati, un trabajo sobre cómo un LLM aprende no solo el dialecto emiratí sino también la cultura y el matiz que van con él. Es una muestra muy representativa de la carrera por modelos soberanos en el mundo árabe: en vez de un modelo genérico, un LLM afinado para un registro cultural concreto. La entrada del blog de Hugging Face detalla la decisión de abrirlo y los resultados. Para quien trabaja en modelos multilingües o en IA para el mundo árabe, es un punto de referencia actual sobre lo que puede llegar a capturar un LLM de un registro dialectal completo.

Blog de Hugging Face (TII)multilingüedialectosoberanoTII

From Evidence to Action: por qué fallan los agentes que usan herramientas

Este trabajo estudia dónde se rompe la cadena de 'evidencia a acción' en los agentes que usan herramientas: que el resultado sea correcto no garantiza que la acción estuviera respaldada por la evidencia establecida antes de ejecutarla. Los autores mapean los puntos de fallo cuando el agente cambia el estado externo. Es una línea muy práctica para quien despliega agentes con efectos reales: no basta con que acaben la tarea, hay que verificar que cada acción partió de una base verificada. Complementa bien el debate reciente sobre evaluar agentes por el estado del sistema, no por la confidencia del mensaje.

arXivHugging Face (paper)agentesherramientasevaluaciónfiabilidad

open-academic-paper-gen: del tema a un borrador de paper con citas reales

mmlong818 publica open-academic-paper-gen, un pipeline multi-agente que convierte un tema de investigación en un borrador de paper anclado en literatura real, con detección de alucinación de citas y comprobación de que cada afirmación tiene soporte. Es una pieza muy de la actualidad: en un ecosistema inundado de texto generado, separar lo que está respaldado de lo que el modelo inventa es una necesidad real. Encaja en la corriente de agentes de investigación que verifican sus propias fuentes en vez de confiar en su propia pluma.

GitHubagentesinvestigacióncitasGitHub

llm-gateway: enrutado compatible con el estado para inferencia local

randzero publica llm-gateway, un gateway agnóstico de motor y consciente del estado para inferencia de LLMs: un router compatible con OpenAI/Anthropic, con un plugin opcional de vLLM y una capa de estado extensible para enrutado consciente del KV-cache y de la latencia. La idea es dirigir cada petición al nodo que mejor la atienda según su estado, no al primero de la cola. Encaja en la corriente de self-hosting serio: orquestar varios workers locales de forma inteligente sin una SaaS de inferencia entre medio.

GitHubself-hostinggatewayvLLMruteo

Papers e investigación

NeMo-DCR: refit delta-comprimido para RL agéntico a escala de billones de parámetros

El aprendizaje por refuerzo agéntico separa el entrenamiento del rollout, así que cada actualización de la política tiene que llegar a los clusters de rollout antes del siguiente lote. Transferir un checkpoint completo de 1 billón de parámetros para esa sincronización tarda 87,5 minutos. Este trabajo propone NeMo-DCR, un refit delta-comprimido y bit-exacto para que la sincronización de pesos no sea el cuello de botella. Es infraestructura pura para RL agéntico a escala: quien entrena agentes enormes sabe que la comunicación de pesos, no el cómputo, es donde se pierde el tiempo.

arXivrefuerzoRLescalaNVIDIA

HLA: atención lineal híbrida con mezcla dinámica por trozos

La atención lineal permite decodificación eficiente de contexto largo comprimiendo el historial en estados recurrentes, pero esa comprimsión dificulta el acceso selectivo a información dispersa y lejana. Este trabajo propone HLA, una atención lineal híbrida que mezcla dinámicamente por trozos (chunk-wise) para recuperar ese acceso selectivo. Es una línea de eficiencia para contexto largo muy concreta: mantener el coste bajo de la atención lineal sin perder la capacidad de saltar a la información que importa. Interesante para quien necesita ventana larga sin un coste de atención cuadrático.

arXivatencióncontexto largoeficienciaarquitectura

Taming VLAs: compensación propia y pruebas de estrés para robots

Las políticas vision-lenguaje-acción (VLA) suelen fallar cuando el movimiento ejecutado por el robot se desvía de la acción comandada, por el desgaste mecánico o cambios de carga. Este trabajo propone auto-compensación y pruebas de estrés para domar a los VLAs bajo errores de ejecución reales. Es un paso práctico hacia robots que se recuperan de sus propios errores en vez de colapsar: no basta que la política sea buena en simulación, hay que estresarla con la mecánica real. Clave para quien lleva VLAs a hardware físico.

arXivrobóticaVLArobustezcontrol

MEND: refuerzo para modelos de flujo con emparejamiento de velocidad

El post-entrenamiento por recompensa de modelos de flujo o re-pondera las muestras propias bajo una penalización KL o retro-propaga la recompensa moviendo cada muestra sin comprobar que el movimiento vale la pena. MEND propone un refuerzo para modelos de flujo vía emparejamiento de velocidad proximal (proximal velocity matching), para que la actualización por recompensa sea más estable. Es un trabajo de la frontera del entrenamiento de generadores por flujo: mejorar la calidad por recompensa sin romper lo que el modelo ya sabía generar.

arXivflujogeneraciónrefuerzoentrenamiento

Comunidad y self-hosting

decision: la capa de decisión con confianza antes de que el agente actúe

DcisionIO publica decision, la capa de decisión para la IA: decisiones tipadas con un nivel de confianza antes de que el agente ejecute. Viene con plantillas, Decision Schemas y ejemplos de API en cURL, Node y Python. La idea es que la toma de decisión deje de estar enterrada en el prompt y pase a ser un objeto explícito y auditable. Encaja en la corriente de agentes con garantías: saber qué va a decidir el sistema y con qué confianza, antes de que toque el mundo real.

GitHubdecisionesagentesauditoríaGitHub

MI50: afinar inferencia local en hardware AMD antiguo

DByte308 publica MI50, un diario de afinación de inferencia de LLMs local sobre una GPU MI50 (gfx906), comparando ROCm frente a Vulkan, MoE, decodificación especulativa (MTP/DFlash/EAGLE3), cuantización y los límites reales del hardware. Es exactamente el tipo de conocimiento que falta a quien corre modelos en hardware no estándar: no solo el 'cómo', sino el 'qué cabe y dónde se topa' en una GPU concreta. Muy útil para la comunidad de self-hosting en AMD y para quien quiere exprimir hardware antiguo.

GitHubself-hostingAMDROCminferencia

scholar-llm-wiki: papers y notas en un wiki de Obsidian interconectado

lkhfrgc publica scholar-llm-wiki, un kit de base de conocimiento para investigación y revisión de literatura: agentes de IA compilan papers, libros y notas en un wiki de Obsidian estructurado y densamente interconectado, construido sobre el enfoque de llm-wiki de Karpathy, con skills de ingestión, consulta y limpieza y un vocabulario de etiquetas controlado. Es una aplicación muy práctica de LLMs abiertos a la investigación: una biblioteca personal que se escribe y mantiene sola, en formato abierto y local. Ideal para quien hace revisión de literatura y quiere un segundo cerebro autoorganizado.

GitHubinvestigaciónObsidianagentesconocimiento